본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

목차

논문요약 9

Ⅰ. 서론 11

Ⅱ. 배경 및 관련 연구 15

가. 에너지 하베스팅 임베디드 시스템에서 심층신경망의 사용 15

나. 관련 연구 19

Ⅲ. 제안하는 기법 24

가. 디자인 개요 24

나. 강화학습 기반 적응적 모델 선택기의 디자인 세부사항 28

Ⅳ. 실험 및 결과 분석 33

가. 실험 수행환경 33

나. 실험 결과 분석 43

Ⅴ. 결론 47

참고문헌 48

ABSTRACT 52

표목차

표 1. 모델 선택기 에이전트의 강화학습을 위한 상태 집합 29

표 2. 평가에 사용한 애플리케이션과 데이터셋 34

표 3. 애플리케이션 별 모델 변이 구성 방법 35

표 4. 모델 변이 별 파라미터 크기, 추론 에러율, 계산량 및 에너지 요구량 36

표 5. 모델 선택기 에이전트의 강화학습을 위한 하이퍼파라미터 37

그림목차

그림 1. 에너지 하베스터를 통해 작동을 위한 에너지를 수집하는 예시 11

그림 2. 에너지 하베스팅 임베디드 시스템에서 심층신경망 추론이 사용되는 시나리오 15

그림 3. 에너지 하베스팅 임베디드 시스템에서 심층신경망 추론을 사용할 때 발생하는 도전 과제 17

그림 4. 인터미턴트 컴퓨팅 어프로치 20

그림 5. 적응적 컴퓨팅 기법의 적용 예시 21

그림 6. 다중 출구 신경망 구조 22

그림 7. 제안하는 기법의 디자인 개요 24

그림 8. 심층신경망 모델 풀 생성 과정 26

그림 9. 강화학습 에이전트의 행동 30

그림 10. 강화학습 에이전트의 학습 과정 32

그림 11. PPO 알고리즘 기반 강화학습 에이전트의 정책 학습 38

그림 12. 애플리케이션 별 모델 풀에 담긴 모델들의 정확도 분포 39

그림 13. Keyword Spotting 애플리케이션을 실행하는 시뮬레이션에서의 강화학습을 위한 적정 신경망 구조 및 페널티 값 탐색 41

그림 14. 강화학습을 위한 적정 페널티 값 탐색 간 관찰한 추론 결과 에러율 및 실패율 42

그림 15. 여섯 가지 애플리케이션에 대해 각 모델 선택 기법별로 EFP와 EF²P 측정한 값을 Model-1을 기준으로 정규화한 결과 44

그림 16. Model-4와 비교하여 제안하는 기법을 적용하였을 때 측정한 추론 결과 에러율의 감소량과 추론 실패 비율의 증가량 46

수식목차

수식 1. 추론 에러율의 개선 비율 30

수식 2. 보상 함수 31

초록보기

 에너지 하베스팅 사물 인터넷 또는 센서 디바이스에서, 수집을 통해 얻는 에너지의 양은 지속적으로 변화하며 예측하기가 어렵다. 최근 사물 인터넷 또는 센서 디바이스에서 에너지 요구량이 높은 심층신경망의 활용이 증가하고 있다. 하베스팅 되는 에너지가 적은 경우에 대비해서 에너지 소비량이 적은 경량 심층신경망 모델을 사용한다면, 만족스러운 추론 정확도를 얻지 못한다. 반면, 추론 정확도가 높은 정교한 심층신경망 모델을 사용한다면, 에너지 유입이 적은 상황에서 에너지 고갈로 인한 추론 실패가 빈번하게 발생할 수 있다. 본 논문에서는 센서로부터 입력받은 데이터에 대해 주기적으로 심층신경망의 추론을 수행하는 에너지 하베스팅 임베디드 시스템을 위하여 장기적으로 에너지 고갈로 인한 추론 실패를 최소화하면서 동시에 추론 정확도를 극대화하기 위한 심층신경망의 적응적 추론 기법을 제안한다. 제안하는 강화학습 기반 모델 선택기 에이전트는 에너지 하베스팅 상태와 각 모델의 추론 정확도 및 에너지 요구사항이 담긴 모델 풀을 고려하여 모델 풀에서 목적 달성을 위한 심층신경망 모델을 선택한다. 제안하는 기법은 마이크로컨트롤러 임베디드 보드에 구현하여 다양한 유형의 입력 데이터를 사용하는 서로 다른 여섯 가지 심층신경망 애플리케이션을 사용하여 정적 모델 선택 기법 및 휴리스틱 기반 동적 모델 선택 기법들과의 성능 비교평가를 수행하였다. 실제 태양 복사량 트레이스를 사용한 에너지 하베스팅 시뮬레이션에서 제안하는 기법은 베이스라인 기법 대비 평균 6.08%의 추론 에러율 희생으로 65.62%의 추론 실패율 감소를 얻을 수 있었다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차